7 KI hat die Grenzen isolierter Speichersilos offengelegt Unternehmensspeicher wurde für relativ stabile Kategorien und Zugriffsmuster entworfen. Hochleistungsdaten lagen auf einem System, allgemeine Datei- und Objektdaten auf einem anderen. Backups hatten ihr eigenes Ziel, während Archivdaten für die Langzeitaufbewahrung an einen günstigeren Ort wanderten. KI ist kein einzelner Workload, und das macht bestehende Speichermodelle zunehmend schwer tragbar. KI-Pipelines bestehen aus Workloads in vielen Phasen, typischerweise Vorstufen vor dem Modell (Datenerfassung und -bereinigung), Modelltraining und Fine-Tuning und schließlich die eigentliche Interaktion mit den Modellen beim Inferencing. Das Inferencing wird zunehmend von schnellem Zugriff auf den KV-Cache abhängen, um den Speicher über gleichzeitige Benutzersitzungen und wachsende Kontextfenster hinweg mit hoher Leistung zu erweitern, sowie vom Einsatz von RAG, um private Daten einzubinden. Viele Organisationen werden zudem eine Langzeitaufbewahrung für Governance und Prüfbarkeit benötigen. Jede dieser Phasen stellt andere Anforderungen an Durchsatz, Latenz, Parallelität, Schutz und Kosten des Speichers. Diese Anforderungen werden sich über die Lebensdauer der Daten voraussichtlich ändern. Daten benötigen für Training und Inferencing extrem leistungsfähigen Speicher und können irgendwann so weit altern oder „abkühlen“, dass sie auf weniger leistungsfähigen, aber günstigeren Speicher und später auf kältere Medien für die Langzeitaufbewahrung verlagert werden können. Stützt sich jede Phase auf eine andere Speicherplattform, wird das Lifecycle-Management zu einer endlosen Folge von Datenkopien und Migrationsprojekten. Speicher für KI-Daten muss mehrere Anforderungen zugleich erfüllen: GPUs auslasten. Die Auslastung dieser teuren Rechenressourcen hängt von mehreren Faktoren ab, und der Speicher gehört zu den wichtigsten. Da Inferencing speichergebunden ist, muss der Speicher genug Durchsatz und ausreichend niedrige Latenz liefern, um als Erweiterung des KV-Caches zu fungieren: ein skalierbarer Speicher hinter GPU-HBM und Host-DRAM, der die Leistung nicht wesentlich beeinträchtigt. Kosten und Knappheit von Speichermedien. KI hat einen Nachfrage-Superzyklus ausgelöst, und insbesondere die Knappheit bei NAND-Flash hat die Preise für Hochleistungsspeicher steigen und die Lieferzeiten länger werden lassen, wodurch sich wichtige IT-Projekte verzögern. Strom und Kühlung. Sie sind zu harten Grenzen geworden. Organisationen können nicht Exabyte an Daten über ihre gesamte Lebensdauer auf heißen und warmen Medien halten, zumal ein Großteil davon dort nicht sein muss und auf energieeffizienteren kalten Speicher gehört. Nachweisbare Wiederherstellbarkeit. Ransomware zielt zunehmend auf Backups und Wiederherstellungssysteme, daher muss die Infrastruktur Vorständen, Aufsichtsbehörden und Versicherern nachweisen, dass der Wiederherstellungspfad einen Angriff übersteht. Souveräne Kontrolle. Organisationen müssen kontrollieren, wo Daten liegen, wer darauf zugreifen kann und wie die zugrunde liegende Infrastruktur betrieben wird. Speicherkapazität skalieren bei gleichbleibendem IT-Personal. Da KI das Datenwachstum weiter antreibt, fällt all das Infrastrukturteams zu, deren Personal nicht im selben Tempo wächst wie ihre Daten. Sie sollen Kapazität und Leistung skalieren, den Schutz stärken, Compliance nachweisen und immer vielfältigere Workloads verwalten, ohne die betriebliche Komplexität proportional zu erhöhen. Die Anforderungen an Unternehmensdaten haben sich eindeutig verändert. Die Architektur dahinter muss sich nun mit ihnen verändern. Ein neues Betriebsmodell für den gesamten Datenlebenszyklus Ein weiteres spezialisiertes Speicherprodukt mag einen akuten Bedarf decken, doch jede Plattform fügt einen weiteren Namespace, ein weiteres Sicherheitsmodell, weitere Richtlinien und einen weiteren Migrationspfad hinzu, die Infrastrukturteams verwalten müssen. Es braucht ein besseres Modell, das dem Lebenszyklus der Daten folgt. Infrastrukturteams sollten Leistung, Schutz und Wirtschaftlichkeit anpassen können, wenn sich Anforderungen ändern, und dabei Sicherheit, Governance und Betrieb einheitlich halten. Sie sollten zudem Kapazität, Durchsatz und Metadaten unabhängig voneinander skalieren können, ohne die gesamte Umgebung zu erweitern oder ein weiteres Migrationsprojekt zu starten. In diesem Maßstab ist auch richtliniengesteuerte Automatisierung unverzichtbar. Platzierung und Schutz der Daten sollten kundendefinierten Anforderungen folgen, wenn sich ihr Wert, ihre Nutzung und ihre Zugriffsmuster ändern. Das verringert den manuellen Aufwand, diese Veränderungen zu verfolgen und Daten zwischen getrennten Systemen zu verschieben. Genau für diese Herausforderung wurde Scality ADI entwickelt. Scality ADI (Autonomous Data Infrastructure) ist ein Betriebsmodell für Dateninfrastruktur in der Unternehmens-KI, aufgebaut auf der bewährten verteilten Speicherbasis von Scality. Es ordnet jeder Phase des Datenlebenszyklus autonom die passenden Speichermedien, die passende Leistung und den passenden Schutz zu, vom Flash mit GPU-Geschwindigkeit bis zum Tiefenarchiv. Scality ADI basiert auf der Speicher-Engine RING, die sich in der Produktion mit mehr als 12 Exabyte bei Leistung und Langlebigkeit bewährt hat. Mit Scality ADI steuern kundendefinierte Richtlinien Platzierung, Schutz und Lifecycle-Übergänge. Daten für KI, Sovereign Cloud, Backup und Archiv bleiben in einem einzigen Namespace, mit einheitlicher Sicherheit, Governance und Betrieb. Das Ergebnis ist eine Infrastruktur, die sich mit den Daten anpasst und zugleich die Anforderungen an Leistung, Resilienz, Souveränität und Wirtschaftlichkeit erfüllt, vor denen Unternehmen heute stehen. Vier Datentemperaturen, ein Lebenszyklus Im Zentrum dieses Modells stehen vier Datentemperaturen: Extreme, Hot, Warm und Cold. Jede Temperatur nutzt die Speichermedien und die Architektur, die am besten zu ihrer Rolle passen. Gemeinsam ermöglichen sie es, Daten mit veränderten Anforderungen vom Zugriff in GPU-Geschwindigkeit bis zur wirtschaftlichen Langzeitaufbewahrung zu verschieben, alles im selben Namespace: Extreme-Stufe: Liefert extrem niedrige Latenz für den KV-Cache in KI-Inferencing-Workloads, über die native KI-API per RDMA mit TLC-Flash-SSDs. Hot-Stufe: Verbindet hohe Leistung mit Resilienz für GPU-intensive KI, Analytik und schnelles Backup, über die S3-API mit S3 per RDMA oder TCP, und kann TLC-, QLC- oder Nearline-SSDs nutzen. Warm-Stufe: Bringt Durchsatz, Langlebigkeit und Kapazitätskosten für Sovereign Cloud und Backup im großen Maßstab ins Gleichgewicht und erweitert den S3-Zugriff über SSD- und HDD-Konfigurationen. Cold-Stufe: Stellt die Wirtschaftlichkeit der Langzeitaufbewahrung für Archiv- und Compliance-Daten in den Vordergrund und bindet Band- und Cloud-Archivziele an. Scality ADI führt richtliniengesteuerte Lifecycle-Übergänge außerhalb des Datenpfads der Anwendungen durch. Kundendefinierte Lifecycle-Regeln legen fest, wann Daten zwischen Stufen verschoben werden dürfen. Während dieser Übergänge bleiben die Daten unter einem einzigen Sicherheits- und Governance-Modell. Teams können Leistung, Schutz und Wirtschaftlichkeit anpassen, ohne ein weiteres Speichersilo zu schaffen oder ein weiteres Migrationsprojekt zu verwalten. Dieser Ansatz verbessert zudem die Wirtschaftlichkeit und Energieeffizienz der Infrastruktur. Mit Scality ADI bleiben Premium-Medien den Daten vorbehalten, die davon profitieren, während weniger aktive Daten auf günstigeren, stromsparenderen Speicher wandern. Das wird immer wichtiger, da Strom und Kühlung dem Wachstum von Rechenzentren praktische Grenzen setzen. Extreme-Stufe: Flash-Leistung für KI-Inferencing Für besonders anspruchsvolle KI-Inferencing-Workloads kann Scality ADI über die schlanke KI-Objektspeicher-API per RDMA als erweiterter KV-Cache dienen. In einem Test mit 6 Servern (1) zeigte Scality ADI folgende Leistungswerte (auf Englisch) für die Time-to-First-Token (TTFT) und die gehaltene Leistung bei steigender Zahl von Sitzungen und wachsender Token-Kontextlänge (getestet mit Gemma-3 27B und einem Basiskontext von 14K Token): TTFT nahe DRAM-Geschwindigkeit, weit schneller als eine Neuberechnung: RING antwortet in 166 ms und fügt gegenüber lokalem Host-DRAM (102 ms) nur 64 ms hinzu. Die Leistung bleibt erhalten, während der KV-Cache wächst: Bei 850 gleichzeitigen Sitzungen ist RING 4,9-mal schneller als eine Neuberechnung des Caches von Grund auf (TTFT 373 ms gegenüber 1.821 ms kalt), und bei 128K Token Kontext steigt der Vorsprung auf das 10,3-Fache (TTFT 273 ms gegenüber 2.807 ms kalt). Die Extreme-Stufe ist bewusst nicht resilient. Da der KV-Cache flüchtig und regenerierbar ist, tauscht Scality ADI Replikat- und Paritätsschutz gegen Geschwindigkeit, während die dauerhafte Kopie des Modells oder Datensatzes in der darunterliegenden Stufe liegt. Hot- und Warm-Stufe: Leistung im Hyperscale-Maßstab, ohne alles auf All-Flash zu setzen Die Planung von KI-Infrastruktur geht oft von der Annahme aus, dass ernsthafte Leistung All-Flash-Speicher erfordert (auf Englisch). Manche Workloads brauchen Latenz auf Flash-Niveau. Viele hängen stärker von dauerhaftem aggregiertem Durchsatz ab. Scality ADI erfüllt beide Anforderungen. Die Hot-Stufe bietet GPU-Direktzugriff für latenzempfindliche Workloads über TCP oder RDMA, während die Warm-Stufe hohe aggregierte Bandbreite auf wirtschaftlicheren Medien liefert. Die im Scality ADI Whitepaper beschriebenen Leistungstests zeigen, was damit möglich ist. Mit Objekten von 10 MB auf einer Warm-S3-Konfiguration mit Standard-HDDs erreichte Scality ADI auf einem großen Cluster dauerhaft über 420 GB/s Lese- und 250 GB/s Schreibdurchsatz. Während des Tests hielt Scality ADI zwei Stunden lang 35.000 gleichzeitige S3-Operationen über 696 Buckets aufrecht, ohne einen einzigen Fehler auf der Speicherebene. Dieselbe Validierung übertraf zudem 173.000 S3-PUT- und 151.000 S3-GET-Operationen pro Sekunde mit Objekten von 4 KB. Diese Ergebnisse zeigen, dass HDD-basierter Objektspeicher den aggregierten Durchsatz liefern kann, den anspruchsvolle KI-, Analyse- und Backup-Workloads benötigen. Flash bleibt dann den Workloads vorbehalten, die seine Latenz wirklich brauchen. Mehr dazu im Beitrag KI im großen Maßstab ohne All-Flash versorgen. Leistung im großen Maßstab hängt auch davon ab, dass sich das System vorhersehbar verhält, wenn einzelne Komponenten langsamer werden. Überschreitet der Abruf eines Objektteils einen festgelegten Latenzschwellenwert, kann Scality ADI ein alternatives Replikat abrufen oder den Teil aus der Erasure-Coding-Parität rekonstruieren. Quality-of-Service- und Ratenbegrenzungskontrollen verhindern, dass ein einzelnes Konto, ein Bucket oder ein Workload gemeinsame Ressourcen überlastet. Kapazität, Leistung und Metadaten unabhängig skalieren Scality ADI besteht aus verteilten Softwarediensten, die physische Server und Laufwerke zu einer einzigen Speicherplattform abstrahieren. Zustandslose Connectors stellen Anwendungen Objekt- und Dateizugriff bereit. Speicherknoten liefern Kapazität und Langlebigkeit. Flash-gestützte Metadatendienste verwalten Objekte und Namespaces, während die Verwaltungsebene außerhalb des Datenpfads arbeitet. Anwendungen können über S3 oder Dateiprotokolle wie NFS, SMB und Linux FUSE auf denselben zugrunde liegenden Speicher zugreifen. So können cloudnative und dateibasierte Anwendungen die Plattform gemeinsam nutzen, ohne getrennte Objekt- und Dateiumgebungen zu pflegen. Die wichtigsten Infrastrukturressourcen skalieren getrennt: Speicherknoten hinzufügen, um die Kapazität zu erhöhen. Connectors hinzufügen, um Durchsatz und Operationen pro Sekunde zu erhöhen. Metadaten-Cluster und RAFT-Sitzungen hinzufügen, um die Parallelität bei Metadaten zu erhöhen. Im Exabyte-Maßstab, wo eine Umgebung Hunderte Milliarden Objekte enthalten kann, werden Metadaten entscheidend. Scality ADI behandelt sie als unabhängig skalierbares, stark konsistentes Subsystem. Der RAFT-Konsens schützt die Konsistenz, während mehrere Sitzungen den Metadatenverkehr verteilen. Stark genutzte Buckets lassen sich online verschieben oder nach Präfix aufteilen, ohne Ausfallzeit oder Änderungen an Anwendungen. Auch der Schutz der Daten richtet sich nach dem Workload. Kleine Objekte können für schnellen Zugriff repliziert werden, während größere Objekte Reed-Solomon-Erasure-Coding nutzen, um Langlebigkeit mit geringerem Kapazitäts-Overhead zu erreichen. Fällt eine Festplatte oder ein Server aus, baut Scality ADI nur die betroffenen Objekte neu auf und verteilt die Arbeit über den Speicherpool. Anwendungen bleiben online, während der Schutz wiederhergestellt wird. End-to-End-Prüfsummen erkennen bei jedem Lesevorgang stille Beschädigungen und stellen automatisch saubere Daten aus einem anderen Replikat oder der Parität wieder her. Da Scality ADI softwaredefiniert ist, können Organisationen handelsübliche x86-Server und Standard-Ethernet nutzen und für die leistungsstärksten Stufen RDMA-fähige Netzwerke ergänzen. Knoten und Laufwerke lassen sich hinzufügen, entfernen oder erneuern, während die Plattform verfügbar bleibt, sodass die Infrastruktur über Hardwaregenerationen hinweg ohne Komplettaustausch wachsen kann. Cyber-Resilienz in der Speicherbasis verankert Ransomware-Angriffe zielen zunehmend auf Backups, bevor sie Produktivdaten angreifen. Können Angreifer den Wiederherstellungspfad zerstören, richtet die Verschlüsselung weit größeren Schaden an. Scality ADI begegnet dieser Bedrohung auf Ebene der Speicher-Engine. Die Engine überschreibt Objektdaten nie an Ort und Stelle. Ein neuer Schreibvorgang erhält einen neuen Speicherort, und die vorherige Version bleibt unberührt. Diese inhärente Unveränderlichkeit bildet die Grundlage für Scality CORE5, das Modell für Cyber-Resilienz: API-Resilienz schützt vor böswilligem Überschreiben und Löschen durch Versionierung, Lifecycle-Kontrollen und S3 Object Lock. Datenresilienz steuert den Zugriff und schützt Daten durch Identitätsmanagement und Verschlüsselung bei der Übertragung, an der API und auf der Festplatte. Speicherresilienz nutzt Replikation, Erasure Coding, Selbstheilung und End-to-End-Prüfsummen, um Hardwareausfällen und stillen Beschädigungen standzuhalten. Geografische Resilienz schützt durch synchrone und asynchrone Konfigurationen über mehrere Standorte vor Ausfällen ganzer Standorte. Resilienz auf Architekturebene bewahrt geschützte Daten selbst dann, wenn ein privilegiertes Administratorkonto kompromittiert ist. Mit S3 Object Lock im Compliance-Modus kann ein geschütztes Objekt vor Ablauf seiner Aufbewahrungsfrist weder verändert noch gelöscht werden. Die Aufbewahrung lässt sich verlängern, aber nicht verkürzen, auch nicht durch einen Administrator mit vollen Rechten. Das Modell umfasst zudem kurzlebige Zugangsdaten, Identitätsföderation, Verschlüsselung, Replikation über mehrere Standorte und offene Audit-Logs, die sich in Sicherheits- und Monitoringsysteme einspeisen lassen. Gemeinsam liefern diese Kontrollen den Nachweis, dass der Wiederherstellungspfad bei Hardwareausfall, Standortverlust, Ransomware und kompromittierten privilegierten Zugangsdaten geschützt bleibt. Speicher direkt mit KI-Workflows verbinden Scality ADI lässt sich in die Zugriffsmuster und Werkzeuge integrieren, mit denen KI- und HPC-Plattformen aufgebaut werden. Bei latenzempfindlichen Workloads überträgt GPU-Direct-Storage Daten direkt zwischen NVMe-Speicher und GPU-Arbeitsspeicher und umgeht dabei unnötige Kopien über CPU und Kernel. Die Extreme-Stufe zielt auf Latenzen unter 50 Mikrosekunden für flüchtige Daten wie KV-Cache und HPC-Scratch. Für Workloads, die neben hoher Leistung auch Resilienz brauchen, verbindet S3 über RDMA eine S3-Steuerungsebene mit direkten Datenübertragungen zum und vom GPU-Arbeitsspeicher. Die Daten bleiben durch Erasure Coding über den Cluster geschützt. Kubernetes-Integrationen holen die Speicherbereitstellung in den Anwendungs-Workflow: Das Container Storage Interface (CSI) (auf Englisch) stellt Scality ADI als Datei-Volume für Anwendungen bereit, die klassische Dateipfade erwarten. Das Container Object Storage Interface (COSI) macht S3-Buckets und Zugangsdaten zu deklarativen Kubernetes-Ressourcen. S3-Bucket-Benachrichtigungen können Workflows für Vorverarbeitung, Validierung, Training und Wiederherstellung über offene Plattformen wie Kafka und RabbitMQ auslösen. Dieselben Daten können GPU-nahe Verarbeitung, resilienten Hochleistungszugriff, wirtschaftliche Kapazität und Langzeitaufbewahrung unterstützen, ohne den Namespace von Scality ADI zu verlassen. Betriebliche Intelligenz im Infrastrukturmaßstab Richtliniengesteuerte Lifecycle-Automatisierung regelt, wie Daten sich durch die Plattform bewegen. Scality Guardian bringt Intelligenz in den Betrieb dieser Infrastruktur, während sie wächst. Scality ADI stellt über Grafana und Prometheus mehr als 2.000 Metriken bereit, mit systemweiten, komponentenbezogenen und Troubleshooting-Ansichten. Guardian ergänzt KI-gestütztes Monitoring und Analysen zu Systemzustand, Kapazität, Strom und Leistung. Es erkennt Anomalien, warnt frühzeitig vor möglichen Festplattenausfällen, Kapazitätstrends und Fehlkonfigurationen und führt Betriebsteams durch die Ursachenanalyse. Ein Zugang in natürlicher Sprache erleichtert zudem die Erkundung von Telemetrie und technischer Dokumentation. Guardian erweitert diese Fähigkeiten über das Model Context Protocol (MCP). Betriebsteams können den integrierten Agenten nutzen oder Scality ADI mit ihrem eigenen KI-Stack verbinden. Agenten können Scality ADI in mehrstufigen Workflows anlegen, konfigurieren und abfragen und die Absicht eines Betriebsteams in die zugrunde liegenden API-Aufrufe zur Prüfung übersetzen. So kann Scality ADI neben Compute- und Netzwerkwerkzeugen an übergreifenden Infrastruktur-Workflows teilnehmen. Speicher lässt sich bereitstellen, wenn vorgelagerte Systeme ihn benötigen, und betriebliche Aufgaben, die früher mehrere Oberflächen und das Nachschlagen in Dokumentation erforderten, lassen sich mit einer einzigen Anweisung koordinieren. Gebaut für große Datenbestände mit vielen Workloads Scality ADI ist für große, langlebige Datenbestände konzipiert, in denen Workloads unterschiedliche Anforderungen an Leistung, Schutz und Wirtschaftlichkeit haben. Zu den stärksten Anwendungsfällen gehören: KI und klassische Unternehmens-Workloads auf gemeinsamer Infrastruktur Petabyte bis Exabyte an unstrukturierten Daten Daten, deren Wert und Zugriffsanforderungen sich im Lauf der Zeit ändern Anforderungen an Souveränität und Regulierung Ransomware-sensible Backup- und Wiederherstellungsumgebungen Infrastruktur, die ohne proportional steigenden Betriebsaufwand skalieren muss Manche Umgebungen haben andere Bedürfnisse. Ein dediziertes paralleles Dateisystem kann für einen klar abgegrenzten, spezialisierten Scratch-Workload weiterhin sinnvoll sein. Public-Cloud-Objektspeicher kann gut zu elastischen, cloudnativen Anwendungen ohne Einschränkungen bei Souveränität, Datenlokalität oder Kosten im Dauerbetrieb passen. Transaktionale Datenbanken und latenzarme Block-Anwendungen benötigen eine andere Speicherklasse. Für kleinere Umgebungen mit Fokus auf Backup bietet die Objektspeichersoftware Scality ARTESCA einen einfacheren Einstieg in unveränderlichen Objektspeicher. Sie ist auf einfache Bereitstellung ausgelegt, integriert sich mit führenden Backup-Anwendungen und skaliert von 20 TB bis zu mehreren Petabyte. Die Infrastruktur folgt den Daten Das nächste Betriebsmodell für Dateninfrastruktur in Unternehmen muss weit mehr leisten als Kapazitätswachstum. Es muss: Mehrere KI-Zugriffsmuster und Leistungsanforderungen bedienen Medien, Schutz, Wirtschaftlichkeit und Stromverbrauch am Datenlebenszyklus ausrichten Daten unter einheitlicher Sicherheit und Governance halten Die Wiederherstellbarkeit bei Cyberangriffen und Infrastrukturausfällen sichern Kapazität, Durchsatz und Metadaten unabhängig skalieren Den manuellen Aufwand für den Betrieb eines wachsenden Datenbestands verringern Scality ADI vereint diese Anforderungen in einer verteilten Engine, einem Namespace und vier Datentemperaturen. Vom GPU-Arbeitsspeicher bis zum Tiefenarchiv können Organisationen in jeder Phase des Datenlebenszyklus die passende Leistung, den passenden Schutz und die passende Wirtschaftlichkeit anwenden und dabei souveräne Kontrolle und ein einheitliches Cyber-Resilienz-Modell bewahren. Lesen Sie das vollständige technische Whitepaper zu Scality ADI für einen tieferen Einblick in Architektur, Leistungsvalidierung und Engineering der Plattform. Weitere Inhalte Unabhängiger Artikel: Making Object Storage Fast Enough to Feed a GPU: Scality’s ADI (auf Englisch), von Brian Booden Blog: KI im großen Maßstab braucht kein All-Flash Podcast (15 Min.): AI Broke Storage Economics: Not Every Workload Needs All-Flash (auf Englisch) Podcast (15 Min.): Can Object Storage Keep GPUs Fed? We Put It to the Test (auf Englisch) Podcast (15 Min.): Is Object Storage the Answer to the KV Cache Memory Bottleneck? (auf Englisch) Whitepaper: Technisches Whitepaper zu Scality ADI Fußnoten 1. Laborkonfiguration für den Leistungstest der Extreme-Stufe: Host-GPU-Server HPE DL380a: 8 × NVIDIA RTX 6000; 2 × Intel Xeon 6737P, 2 TB DDR5; 4 × 100G-RDMA-Ports (2 × ConnectX-6-x), einer pro Rail; 4 × 3,84 TB lokales NVMe (Basispfad für den KV-Cache) RDMA-Switch: HPE SN3700cM, 32 × 100GbE, einstufig, RoCE verlustfrei von Ende zu Ende Scality ADI: Cluster mit 6 Knoten HPE Alletra 4110: 2 × Xeon Gold 6442Y; 512 GB DDR5; 20 × 3,84 TB NVMe; 4 × 100G RDMA
